Pemodelan Data-Driven Berbasis XGBoost untuk Estimasi State of Charge (SOC) sebagai Representasi Kondisi Energi pada Kapasitas Baterai Lithium-Ion

Oleh :
Inzaghi Zhafran Aditya - I0722033 - Fak. Teknik

Penelitian ini mengembangkan model estimasi state of charge (SOC) baterai lithium-ion berbasis data-driven menggunakan algoritma extreme gradient boosting (XGBoost). Dataset yang digunakan berasal dari pengujian baterai lithium-ion 18650 sebanyak 300 siklus stability tanpa rest menggunakan neware battery tester. Parameter yang digunakan meliputi tegangan, arus, waktu, serta fitur pada feature engineering. Metode yang dibandingkan terdiri dari XGBoost, coulomb counting, k-nearest neighbors regression (KNN regression), dan multiple linear regression (MLR). Evaluasi dilakukan menggunakan metrik mean absolute error (MAE), root mean square error (RMSE), dan koefisien determinasi (R²). Selain itu, dilakukan pengujian ketahanan terhadap noise sensor berupa bias voltage dan bias current. Hasil penelitian menunjukkan bahwa XGBoost memiliki performa terbaik dengan nilai MAE sebesar 0.976%, RMSE sebesar 1.560%, dan R² sebesar 0.993. Pada pengujian noise, XGBoost tetap menunjukkan performa yang stabil dibandingkan metode lainnya. Sementara itu, coulomb counting dan KNN regression lebih sensitif terhadap noise sensor akibat akumulasi error dan perubahan distribusi data. Hasil penelitian menunjukkan bahwa pendekatan data-driven berbasis XGBoost mampu memberikan estimasi SOC yang lebih akurat dan robust dibandingkan metode lainnya.